文献

J-GLOBAL ID：202102284921551939   整理番号：21A1300576

選択勾配の暗号化による分散深層ニューラルネットワークにおけるプライバシー保護【JST・京大機械翻訳】

Privacy-Preservation in Distributed Deep Neural Networks via Encryption of Selected Gradients

著者 (4件)： Emmanuel Antwi-Boasiako (University of Electronic Science and Technology of China,School of Information and Software Engineering,Chengdu,China) ,  Zhou Shijie (University of Electronic Science and Technology of China,School of Information and Software Engineering,Chengdu,China) ,  Liao Yongjian (University of Electronic Science and Technology of China,School of Information and Software Engineering,Chengdu,China) ,  Liu Qihe (University of Electronic Science and Technology of China,School of Information and Software Engineering,Chengdu,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： HPCC/DSS/SmartCity  ページ： 816-823  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,分散深層ニューラルネットワーク(DDNN)におけるプライバシー保護を再考案した。DDNNにおける同形暗号化(HE)の使用に焦点を当てた。HEは,DDNNにプライバシーをもたらすための有効な方法のいくつかのレベルを提供するが,その使用は通常,高架空,特に,Honest-but-Curous(HbC)クラウドサーバと参加者の間の通信コストと関係がある。この目的のために,DDNNにおけるプライバシー保護のための代替アプローチを提案した。選択された勾配をホモモルフィックに選択し,暗号化する能力は,本論文の主なアピールであり,良好なプライバシーを提供し,かなりのレベル(すなわち,全勾配の1%と10%が選択され,暗号化され,共有される場合,それぞれ,0.04MBと0.13MB)に,許容レベルの精度を維持しながら,通信コストを相当レベル(それぞれ,0.04MBと0.13MB)に低減することを証明した。誤差(LWE)に基づく付加的ホモモルフィック暗号化を用いた学習を用いて,このアプローチがいかに効率的であるかを示すために,密接に関連する研究との比較を行った。さらに,著者らは,参加者とHbCクラウドサーバの間で伝送される暗号文の完全性を保護するために,非正規コードの使用を提案した。本論文は,DDNNにおける部分的共有とホモモルフィック暗号化を結合する最初のものである。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： プライバシー ,  *暗号 ,  完全性
準シソーラス用語： 通信コスト ,  *プライバシー保護 ,  暗号文 ,  クラウドサーバ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 勾配 ,  暗号化 ,  深層ニューラルネットワーク ,  プライバシー